matlab开发-用于速度传感器或无速度电机驱动的Luenbergerobserver。又一次为我的学生做示范。

使用 PHA 方法执行快速层次聚类。 该函数将从输入距离矩阵生成层次聚类树 (Z)。 输出 Z 类似于 Matlab 函数“linkage”的输出。 [主要特征] 1.比matlab联动功能更快。 2. 对混合正态分布的集群具有出色的性能。 3. 生成系统发育树的理想工具。 [参考] 永岗路，易湾。 (2013)。 “PHA：基于快速势的分层凝聚聚类方法，”模式识别，卷。 46(5)，第 1227-1239 页。

该程序在一个图中显示了红色，绿色和蓝色通道中图像的直方图。 我们使用这些代码来显示岩石和矿物的薄层图像的红色，绿色和蓝色通道的直方图，直方图有助于我们对图像成分进行分类以及更好地实现薄层。 但是，该程序可用于任何RGB图像，而不受我们领域的限制。 我希望发现它有用。

[Yinterp 警告标志] =robustinterp(Xdata, Ydata, targetX) 在 X 和 Y 值的列中线性插值，在 x 或 y 中具有严格单调性的反转或失败（例如，理想单调关系的噪声和/或量化观察）。 Ydata 和 Xdata 是相同大小的列向量或矩阵。 TargetX 是标量目标 X 值，或者是每个数据列都有一个目标值的向量。 Robustinterp 独立地对数据的每一列进行操作，以找到对应于 targetX 中给定的 X 值的 Y 值 Yinterp。 Xdata或Ydata中的相等性和逆向性可以通过在Xdata移动到，与目标X相等或通过与目标X相等的所有点的Ydata中进行线性插值来实现。 然后对局部内插的 Y 值进行简单平均。 Yinterp 不限于单调！ Xsorted 和 Ysorted 是按列排序的数据，因此 X 是非递减的。 每个 Xdata

特征选择（特征子集选择）问题是各个领域中重要的预处理阶段之一。 在真实的数据集中，存在许多无用的不相关的、误导性的和冗余的特征。 主要特征可以通过特征选择技术来提取。 特征选择属于NP-hard问题； 因此，元启发式算法可用于解决该问题。 引入了一种新的二元 ABC，称为二元多邻域人工蜂群（BMNABC），以增强 ABC 阶段的探索和开发能力。 BMNABC 在第一和第二阶段应用具有新概率函数的近邻和远邻信息。 在第三阶段对那些在前几个阶段没有改进的解决方案进行了比标准 ABC 更有意识的搜索。 该算法可以与包装方法相结合以达到最佳效果。

此函数将 Unix 时间（自 1970 年 1 月 1 日 00:00 以来的十进制秒）转换为 MATLAB 串行时间（自 1900 年以来的十进制天数）。

此代码通过组合任意两个二阶 NLA（例如互质数组 (CA)、嵌套数组 (NA)、增广嵌套数组 (ANA) 和很快）。

给定线性系统的输入 u 和输出 y 及其阶数，函数求分子 N 和分母 D。 N,D]=mcar(u,y,n,k1,k2) u : 系统的输入信号y : 系统的输出信号n : 系统顺序k1,k2 向量 y 的第一个值和最后一个值的索引。 [N,D]=mcar(u,y,n) 程序允许选择 k1 和 k2 重要提示：如果输入信号为常数或系统不稳定，则结果将为 Nan。 理想的输入是随机信号。

QUADPLOT - 用于在 Matlab 中绘制二维四边形网格。

分割是图像处理中最重要的任务之一。 它包括根据像素的强度级别和阈值将像素分为两组或更多组。 分割的质量取决于用于选择阈值的方法。 使用多级阈值的经典实现在计算上是昂贵的，因为它们详尽地搜索最佳值以优化目标函数。 在这种情况下，优化进化方法的使用得到了扩展。 类电磁算法 (EMO) 是一种进化方法，它模仿电荷之间的吸引力排斥机制来进化种群成员。 与其他算法不同，EMO 表现出有趣的搜索能力，同时保持低计算开销。 本文介绍了一种基于 EMO 的多级阈值 (MT) 算法。 该方法结合了 EMO 算法良好的搜索能力和 Otsu 和 Kapur 流行的 MT 方法提出的目标函数。 该算法从图像直方图中的可行搜索空间中随机抽取样本。 此类样本在 EMO 上下文中构建每个粒子，而考虑到 Otsu 或 Kapur 方法采用的函数的目标来评估其质量。 在这些目标值的指导下，候选解集通过 EMO 算子演化，